Компактная мультимодальная модель OpenGVLab для диалога по изображениям и видео, понимания документов, графиков и визуального текста.

Подходит для: ответы на вопросы по изображению · извлечение текста из документов и изображений · понимание графиков и инфографики

InternVL3-14B — многоязычная мультимодальная модель OpenGVLab для диалога и анализа изображений, видео и текста.

Подходит для: ответы на вопросы по изображению · описание содержимого нескольких изображений · понимание и краткий пересказ видео

Мультимодальная чат-модель OpenGVLab на 38 млрд параметров для анализа изображений и видео, визуального рассуждения и текстовых задач.

Подходит для: ответы на вопросы о содержимом изображения · сравнение и анализ нескольких изображений · понимание видеоматериалов

Крупная видеомодель OpenGVLab для извлечения признаков из видео и их использования в классификации.

Подходит для: извлечение признаков из видеороликов · подготовка представлений видео для классификатора · классификация видеоклипов

Мультимодальная модель OpenGVLab на 78 млрд параметров для диалога, анализа изображений и видео и визуального рассуждения.

Подходит для: ответы на вопросы по изображениям и видео · описание и сравнение нескольких изображений · анализ научных диаграмм и промышленных изображений

Мультимодальная модель OpenGVLab на 2,2 млрд параметров для диалогов, ответов на вопросы и анализа изображений и документов.

Подходит для: ответы на вопросы по изображению · извлечение сведений из документов и сканов · распознавание текста на изображениях

Мультимодальная модель OpenGVLab на 4,2 млрд параметров для диалога по изображениям, чтения документов и визуальных вопросов и ответов.

Подходит для: ответы на вопросы по фотографиям и изображениям · извлечение текста с изображений и документов · понимание диаграмм, графиков и инфографики

Мультимодальная модель OpenGVLab для диалогов и генерации ответов по тексту, изображениям и видео.

Подходит для: описание изображений и ответы на вопросы о них · анализ кадров и содержания видео · диалог с чередованием текста, изображений и видео

Мультимодальная диалоговая модель OpenGVLab на 8,1 млрд параметров для ответов по изображениям, документам, диаграммам и видеокадрам.

Подходит для: ответы на вопросы по изображениям · извлечение текста и понимание документов на изображениях · анализ диаграмм и инфографики

Мультимодальная модель OpenGVLab на 38 млрд параметров для диалогов, визуальных вопросов и рассуждений по изображениям и тексту.

Подходит для: ответы на вопросы по содержимому изображения · решение математических задач по диаграммам и фотографиям · извлечение текста с изображений и документов

Визуальный backbone OpenGVLab для извлечения признаков изображений с поддержкой высокого разрешения и OCR.

Подходит для: извлечение визуальных признаков для компьютерного зрения · предобработка изображений для мультимодальной языковой модели · обработка изображений высокого разрешения

Мультимодальная модель OpenGVLab для диалога по изображениям и анализа визуальной информации, включая документы, диаграммы и текст на изображениях.

Подходит для: ответы на вопросы по изображениям · извлечение текста и понимание документов на изображениях · анализ диаграмм и инфографики

Мультимодальная модель OpenGVLab на 14 млрд параметров для диалогов и рассуждений по изображениям с текстовыми ответами.

Подходит для: ответы на вопросы по изображениям · описание и анализ изображений в диалоге · визуальное рассуждение по графикам и схемам

Базовая модель VideoMAE-v2 для извлечения признаков и классификации видео.

Подходит для: извлечение признаков из видеозаписей · классификация видеоклипов · подготовка видеоэмбеддингов для последующих задач

Мультимодальная модель OpenGVLab для диалога, анализа изображений и видео, а также визуальных рассуждений.

Подходит для: ответы на вопросы по изображениям · описание и анализ нескольких изображений · понимание и разбор видеоматериалов

InternVL3-8B — мультимодальная чат-модель OpenGVLab для ответов и рассуждений по тексту, изображениям и видео.

Подходит для: ответы на вопросы по изображению · описание и анализ нескольких изображений · понимание содержания видео

Мультимодальная чат-модель OpenGVLab для генерации ответов по изображениям, нескольким изображениям и видеокадрам.

Подходит для: ответы на вопросы о содержимом изображения · извлечение текста с изображений и документов · анализ диаграмм и графиков

InternVL3-78B-hf — мультимодальная модель OpenGVLab для диалогов, генерации текста и рассуждений по изображениям и видео в Transformers.

Подходит для: ответы на вопросы по изображениям · описание и анализ видеороликов · визуальные рассуждения по текстовому запросу и изображению

Мультимодальная модель OpenGVLab для оценки шагов рассуждения и отбора лучших ответов в задачах Best-of-N.

Подходит для: оценка корректности шагов решения задач по изображению · ранжирование вариантов ответа мультимодальной языковой модели · отбор лучших решений при генерации Best-of-N

Мультимодальная модель OpenGVLab на базе Qwen2.5-VL для понимания экранов и автоматизации действий в графических интерфейсах.

Подходит для: выполнение многошаговых задач в графическом интерфейсе · поиск кнопки или элемента по текстовому описанию · автоматизация действий в веб-интерфейсах

Мультимодальная чат-модель OpenGVLab на базе InternVL3-1B-Pretrained для диалога по изображениям и задач визуального понимания.

Подходит для: ответы на вопросы по содержимому изображения · описание и анализ нескольких изображений в диалоге · понимание видеосцен и визуальных последовательностей

Мультимодальная модель OpenGVLab для диалога и рассуждений по изображениям и текстовым запросам.

Подходит для: ответы на вопросы об изображении · описание содержимого фотографии или схемы · визуальное сравнение объектов на изображениях

Компактная мультимодальная чат-модель OpenGVLab для ответов на вопросы по изображениям и видео, визуального рассуждения и текстовых диалогов.

Подходит для: ответы на вопросы по изображению · описание содержимого нескольких изображений · понимание и краткий разбор видео

Визуальный энкодер OpenGVLab для извлечения признаков изображений и использования в мультимодальных языковых моделях.

Подходит для: извлечение признаков изображений для мультимодальной языковой модели · подготовка визуального энкодера для OCR на нескольких языках · анализ математических диаграмм